开始使用

YOLOv5 与 DAMO-YOLO

实时计算机视觉领域不断发展,研究人员和工程师持续探索精度、速度与易用性之间的平衡。塑造这一发展历程的两款重要模型是 Ultralytics YOLOv5 和阿里巴巴的 DAMO-YOLO。

本指南将深入分析它们的架构、性能指标和训练方法,帮助你为下一次部署选择合适的模型。

模型背景#

在比较技术细节之前,先了解这两款有影响力的视觉模型的起源和主要设计理念很重要。

Ultralytics YOLOv5#

由 Glenn Jocher 和 Ultralytics 团队开发的 YOLOv5 自发布以来已成为行业标准。它原生基于 PyTorch 框架构建,开箱即提供流畅的开发者体验和强大的部署能力。

DAMO-YOLO#

DAMO-YOLO 由阿里巴巴集团的研究人员创建,重点采用神经架构搜索(NAS)和知识蒸馏技术。它针对特定硬件的性能进行优化,面向需要大量调优的研究和部署环境。

进一步了解 DAMO-YOLO

架构创新#

两种模型都运用了独特的结构理念来实现实时性能,但采用的方法有很大不同。

YOLOv5:稳定性和通用性#

YOLOv5 使用改进的 CSP(跨阶段部分连接)主干网络,并搭配 PANet(路径聚合网络)颈部结构。这一结构效率很高,在训练和推理期间都能保持较低的 CUDA 内存占用。

YOLOv5 的一大优势是其跨任务的灵活性。除了边界框预测,原始 YOLOv5 代码仓库还提供专用于实例分割(v7.0)和图像分类(v6.2)的架构,让开发者能够基于统一、连贯的框架构建视觉处理流程。

DAMO-YOLO 的核心创新是其 MAE-NAS 主干网络。阿里巴巴团队利用最大熵引导搜索,找到了能在特定延迟预算下平衡检测精度与推理速度的主干网络。

此外,它还采用 Efficient RepGFPN 颈部结构来改进特征融合,这对于卫星图像分析中常见的复杂尺度变化尤为有益。其 ZeroHead 设计简化了最终预测层以降低延迟,但这种复杂的结构生成方式可能使架构变得僵化,也更难根据自定义应用进行修改。

内存需求

基于 Transformer 的架构通常需要大量 GPU 内存。YOLOv5 和 DAMO-YOLO 都采用高效的卷积设计来降低内存占用,而 Ultralytics 模型专为在消费级 GPU 上训练而设计,因此独立研究人员和初创公司也能轻松使用。

性能与指标#

评估实时目标检测器时,需要综合考量 mAP(平均精度均值)、推理速度和模型大小。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

在参数量相近时,DAMO-YOLO 的 mAP 高于 YOLOv5;例如,DAMO-YOLOs 使用 1630 万参数达到 46.0 mAP,而参数量为 2120 万的 YOLOv5m 达到 45.4 mAP。YOLOv5 在 nano 和 small 配置下具有最快的 TensorRT 速度和最少的参数量,适合对延迟要求严格的边缘部署。

训练效率与生态系统#

模型的理论准确率只有在实际应用中可行才有意义。这正是两种模型差异显著的地方。

蒸馏的复杂性#

DAMO-YOLO 高度依赖多阶段训练方法。它将 AlignedOTA 标签分配与教师-学生知识蒸馏技术结合起来。虽然这种方法能充分发挥学生模型的性能,但首先需要训练一个大型教师模型。这会增加计算时间、能耗和硬件需求,可能拖慢规模较小的 ML 团队。

Ultralytics 的优势:易于使用#

相比之下,Ultralytics 生态系统以直观的 API 和高效训练著称。凭借活跃的开发和庞大的开源社区,它让开发者只需极少的设置即可训练、验证和部署模型。

from ultralytics import YOLO

# 加载预训练的 YOLOv5 模型
model = YOLO("yolov5su.pt")  # YOLOv5u:适用于 ultralytics 软件包的无锚框 YOLOv5 权重

# 在 COCO8 示例数据集上训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 导出为 ONNX 格式以供部署
model.export(format="onnx")

Ultralytics 还通过与 Weights & Biases 和 Comet 等工具集成,提供内置的实验跟踪功能。

实际应用场景#

  • YOLOv5 适合快节奏的生产环境。它可直接导出,因此常用于智慧零售分析、高速制造缺陷检测,以及通过 CoreML 实现的移动应用。
  • DAMO-YOLO 适合学术基准测试,以及具备充足计算资源、能够进行耗时蒸馏训练并针对特定固定硬件追求更高 mAP 的场景。

用例与建议#

选择 YOLOv5 还是 DAMO-YOLO,取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLOv5#

YOLOv5 适合以下场景:

  • 经过验证的生产系统: 对于重视 YOLOv5 长期稳定记录、详尽文档和庞大社区的现有部署场景。
  • 资源受限的训练: GPU 资源有限的环境中,YOLOv5 高效的训练流水线和较低的内存需求具有优势。
  • 广泛支持导出格式: 需要跨多种格式部署的项目,包括 ONNX、TensorRT、CoreML和 LiteRT。

何时选择 DAMO-YOLO#

推荐在以下情况下使用 DAMO-YOLO:

  • 高吞吐量视频分析:在固定的 NVIDIA GPU 基础设施上处理高帧率视频流,且主要关注批量大小为 1 时的吞吐量。
  • 工业制造生产线:在专用硬件上对 GPU 延迟有严格要求的场景,例如装配线上的实时质量检测。
  • 神经架构搜索研究:研究自动架构搜索 (MAE-NAS) 和高效重参数化骨干网络对检测性能的影响。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目,Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡:

  • 无 NMS 的边缘部署:适用于要求推理延迟稳定且较低,同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅使用 CPU 的环境:没有专用 GPU 加速的设备。在这类设备上,YOLO26n 的 CPU 运行速度最高可比 YOLO11n 快 43%。
  • 小目标检测:具有挑战性的场景,例如无人机航拍图像或 IoT 传感器分析。在这些场景中,ProgLoss 和 STAL 可以提升微小目标的检测精度。

新一代进化:YOLO26#

如果你要启动新项目,可以考虑 Ultralytics YOLO26,它以 YOLOv5 为基础,在架构和训练方面进行了多项改进。

为什么要升级到 YOLO26?

YOLO26 提供端到端无 NMS 设计:可选的一对一检测头(nms=False)会跳过非极大值抑制后处理,使部署更快、更简单。

YOLO26 的主要创新包括:

  • MuSGD 优化器:受 LLM 训练创新启发,这种结合 SGD 和 Muon 的混合优化器能够稳定训练并快速收敛。
  • CPU 推理速度最高提升 43%:YOLO26n 在 CPU 上的运行速度最高比 YOLO11n 快 43%,适合没有专用 GPU 的边缘计算和物联网设备。
  • ProgLoss + STAL:渐进式损失和小目标感知标签分配策略能够提升小目标识别能力,这对无人机航拍图像和机器人应用至关重要。
  • 针对具体任务的改进:从适用于有向边界框(OBB)的专用角度损失,到用于精确姿态估计的残差对数似然估计(RLE),YOLO26 为每项受支持的任务都带来了改进。

结论#

YOLOv5 和 DAMO-YOLO 都在目标检测发展史上占有一席之地。DAMO-YOLO 仍是研究神经架构搜索和蒸馏的有趣案例。对于优先考虑维护良好的生态系统、易用性和快速投入生产的组织,Ultralytics 模型是更好的选择。

使用 Ultralytics Platform 标注、训练和部署 YOLO26 等新模型,构建快速、精准且易于维护的计算机视觉流程。

延伸阅读#

  • 了解基于 Transformer 的 RT-DETR,适用于高准确率应用。
  • 了解上一代 YOLO11 模型。
  • 了解如何使用 OpenVINO 优化部署。

评论

提出问题、分享结果,或帮助其他人。